针对目前ON-OFF控制策略在PLZT驱动器光致应变位移的闭环伺服控制系统中的缺点,提出了一种基于T-S模糊模型的PLZT驱动器应变位移的动态模型及预测控制方法。首先,建立了PLZT驱动器光致应变位移的T-S模糊模型,该模型利用基于减法聚类的模...针对目前ON-OFF控制策略在PLZT驱动器光致应变位移的闭环伺服控制系统中的缺点,提出了一种基于T-S模糊模型的PLZT驱动器应变位移的动态模型及预测控制方法。首先,建立了PLZT驱动器光致应变位移的T-S模糊模型,该模型利用基于减法聚类的模糊C均值聚类算法进行前件辨识,并利用奇异值分解(singular value decomposition, SVD)算法进行后件辨识,所建立模型的有效性通过拟合度仿真加以验证。随后,在所建立的T-S模糊模型的基础上结合预测控制方法对PLZT驱动器的光致应变位移进行闭环控制,并对该算法进行仿真验证。仿真结果显示,在PLZT驱动器微位移的控制中,该文控制算法减小了基于ON-OFF控制策略下的抖振,且具有更好的控制效果。展开更多
针对传统的转子结构裂纹故障识别方法中特征提取困难、无法定量识别裂纹深度及受噪声污染严重的问题,提出了一种基于转子轴心轨迹的转子裂纹深度预测模型。该模型基于奇异值分解和卷积降噪自编码器(singular value decomposition-denois...针对传统的转子结构裂纹故障识别方法中特征提取困难、无法定量识别裂纹深度及受噪声污染严重的问题,提出了一种基于转子轴心轨迹的转子裂纹深度预测模型。该模型基于奇异值分解和卷积降噪自编码器(singular value decomposition-denoising convolutional autoencoder,简称SVD-DCAE),能够有效提取裂纹转子的故障特征并准确预测转子裂纹的扩展阶段。将裂纹转子的轴心轨迹作为模型的输入,分别使用仿真数据和实验数据训练和验证模型,并在仿真数据和实验数据中添加随机噪声模拟不同噪声环境。结果显示:所提出模型能够实现转子裂纹扩展程度的准确预测,在弱噪声环境中(信噪比为10 dB)裂纹深度预测准确率高于98%;具有较强的抗噪声能力和鲁棒性,在强噪声环境中(信噪比为-10 dB)预测准确率达到80%,远高于其他经典的卷积神经网络预测模型。展开更多
针对原VPMCD方法在参数估计过程中存在的缺陷,用BP神经网络非线性回归方法代替原方法中的最小二乘法,解决了最小二乘法中存在的病态问题,因此,提出了改进多变量预测模型(Variable predictive mode based class discriminate,简称VPMCD)...针对原VPMCD方法在参数估计过程中存在的缺陷,用BP神经网络非线性回归方法代替原方法中的最小二乘法,解决了最小二乘法中存在的病态问题,因此,提出了改进多变量预测模型(Variable predictive mode based class discriminate,简称VPMCD)的滚动轴承故障诊断方法.首先采用总体经验模态分解(Ensemble empirical mode decomposition,简称EEMD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,然后提取各分量奇异值组成特征向量作为改进VPMCD的输入,最后对滚动轴承工作状态和故障类型进行识别.实验结果表明,该方法能够有效地应用于滚动轴承故障诊断.展开更多
文摘针对目前ON-OFF控制策略在PLZT驱动器光致应变位移的闭环伺服控制系统中的缺点,提出了一种基于T-S模糊模型的PLZT驱动器应变位移的动态模型及预测控制方法。首先,建立了PLZT驱动器光致应变位移的T-S模糊模型,该模型利用基于减法聚类的模糊C均值聚类算法进行前件辨识,并利用奇异值分解(singular value decomposition, SVD)算法进行后件辨识,所建立模型的有效性通过拟合度仿真加以验证。随后,在所建立的T-S模糊模型的基础上结合预测控制方法对PLZT驱动器的光致应变位移进行闭环控制,并对该算法进行仿真验证。仿真结果显示,在PLZT驱动器微位移的控制中,该文控制算法减小了基于ON-OFF控制策略下的抖振,且具有更好的控制效果。
文摘针对原VPMCD方法在参数估计过程中存在的缺陷,用BP神经网络非线性回归方法代替原方法中的最小二乘法,解决了最小二乘法中存在的病态问题,因此,提出了改进多变量预测模型(Variable predictive mode based class discriminate,简称VPMCD)的滚动轴承故障诊断方法.首先采用总体经验模态分解(Ensemble empirical mode decomposition,简称EEMD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,然后提取各分量奇异值组成特征向量作为改进VPMCD的输入,最后对滚动轴承工作状态和故障类型进行识别.实验结果表明,该方法能够有效地应用于滚动轴承故障诊断.
